基于MEMD的运动想象脑电信号的特征提取与分析

对于传统特征提取算法对运动想象脑电信号识别能力不足的问题,采用多元经验模式分解(multivariate empirical mode decomposition,MEMD)的方法用于分析运动想象的脑电信号.目前此方法主要应用在股票收益与宏观经济关系分析上,MEMD将标准经验模式拓展到多通道信号处理,适合于分析多元时间序列,并能够同时处理多通道的多尺度分解,进而在不同尺度下对多元时间序列的时间频率特性进行比较.通过Emotiv传感器对自定义的左右运动想象任务采集数据,采用MEMD提取相关脑电特征的边际谱,使用支持向量机对相关特征量进行分类.实验表明,此方法增强了定位脑电信号的频率信息的准确性,能够有效地提高对脑电信号的识别能力.     

KICA模型选择及其在消除脑电信号伪差中的应用

理论分析并结合实验验证指出基于正定核的独立分量分析算法(K ICA)的优化与分离性能与其模型参数的选择有关。提出了一种简单高效的模型选择方法:在混合信号中附加一个已知验证信号,通过最小化该已知信号的分离误差来选择最优模型参数。实验结果表明:经模型选择后的K ICA能成功分离脑电信号中的心电伪差。     

基于时延嵌入式隐马尔科夫模型的癫痫脑电分类算法

癫痫脑电的分类识别能够为癫痫的预警和病程的发展监测提供强有力的技术支持。传统的癫痫脑电分类识别方法需要从较长的时间序列中提取特征,难以刻画大脑的瞬态变化,检测低效且耗时,降低了癫痫预警的有效性。针对上述问题,提出一种基于隐马尔科夫模型的癫痫脑电分类算法。该方法通过时延嵌入式隐马尔科夫模型(time-delay embedded hidden Markov model,TDE-HMM)对脑电进行状态估计,并提取状态序列中的状态切换特征,通过多层感知机(multiple layer perceptron,MLP)实现对不同癫痫发作阶段脑电的有效辨识。实验结果表明,相较于小波变换、微分熵等传统特征,所提方法准确率高,能够有效刻画癫痫不同阶段的大脑状态变化,为癫痫脑电的分类识别和状态分析提供了新的备选方案。     

一种基于参数优化C-SVM的脑电信号分类方法及应用

脑电信号（electroencephalograph,EEG）由于自身信号微弱且容易受到周边环境和大脑内部其他活动的影响,对其进行特征分类并提高分类准确率这一问题一直是脑机接口领域的难点。传统的基于支持向量机（support vector machines, SVM）的脑电信号特征分类方法在选取惩罚参数与核函数参数时大都只是采用经验数据,而忽略了参数优化对提升SVM分类效果重要性,而现有的参数优化方法计算复杂严重影响了分类效率。针对以上问题,提出了一种通过交叉检验和LOO误差上界对C SVM中的惩罚参数C和核函数参数进行优化的方法,并在理论分析的基础上结合实验证明了参数优化后的分类方法能够有效提高脑电信号分类的准确率且对分类效率影响不大。     

基于脑电信号的手指动作识别

分类识别技术在脑-机接口的研究中占有重要地位,本文基于在事件相关脑电图中,存在的运动感觉皮层脑电位下降和事件相关非同步现象,运用了一种基于共空域子空间分解的算法,对左右手指动作时的多通道脑电信号进行了特征提取。最后,根据提取的特征进行了手指动作的识别,在对三个人的脑电数据识别中,平均识别率达到了75.6%。     

应用多分辨率小波变换提取脑电信号异常节律

脑电信号是非平稳的随机信号，其中包含了大量的生理和疾病信息，对于医生判断脑都是否有器质性的病变具有重要作用。因此对脑电信号的分析和处理一直是人们努力研究的领域。考虑到小波变换良好的时频局部化特性，利用多分辨率小波变换方法来实现脑电信号异常节律的提取，脑电信号经多分辨率小波变换后所得到的各个尺度的信号不仅反映了信号的频率信息，即尺度越大，对应信号的频率越低，同时也反映了信号的时间信息，即反映此时的EEG状态，实验结果表明，选择合适的小波基，可以有效地提取脑电信号中的异常节律。     

基于多层时变功能脑网络特征的运动想象识别

针对运动想象脑电信号(EEG)识别中信号随时间的结构动态变化与网络分离整合过程被忽视等问题,提出一种基于多层时变功能脑网络的运动想象特征提取方法．本方法截取运动想象有效片段投入EEGLAB进行信号预处理;依据滑动窗口方法,设定合适长度与步长,将信号分成连续且部分重叠的时间窗口,将时间窗口截获的脑电数据生成多个脑网络,以节点间锁相值构建多层时变网络模型．首先通过多层时变网络不同层的网络拓扑分析与层间相似度量指标自适应确定其中核心网络层,提取其节点度和聚类系数用以描述网络空间功能连接;然后结合多层参与系数和多层聚类系数,描述脑电信号网络动态变化与分离整合特征,并组合两者成为多层时变脑功能网络特征向量,完成运动想象识别任务．用支持向量机识别的结果表明：基于所构建的网络特征向量分类准确率高达89.14%,高出对比所用的单层网络特征6.61%.     

基于AR模型和SVM的脑电信号分类

 基于P300事件相关电位的脑机接口（BCI）系统中,有效的P300特征提取及分类是系统开展后续工作的关键。应用时间序列自回归（AR）模型及支持向量机（SVM）算法对脑电信号进行P300分类;对10导联脑电数据分别分段,并对每段建立AR模型;采用最小二乘法进行AR模型系数估计,由估计出的系数序列构成特征向量,送入SVM进行模式分类。实验针对BCI Competition Ⅲ dataset Ⅱ数据集进行了方法验证,提出的方法在15试次情况下识别正确率达93.5%。实验及数据分析结果表明,应用SVM分类器对AR模型提取出的系数序列特征向量进行分类,具有较好的系统识别正确率,可为实现基于P300的BCI系统实际应用奠定理论和实验基础。     

微弱脑信号专注度特征提取与识别

目前基于脑机接口的脑电信号研究得到越来越广泛的关注,然而传统脑电信号采集需要使用电极帽并涂抹胶泥膏而不被大多数用户所接受。因此,将研究使用无需涂抹胶泥膏的独立电极采集脑电信号,然而使用独立电极采集脑电信号容易出现干扰大、信号不稳定等缺陷。为了快速有效提取脑电信号特征并克服独立电极采集脑电信号的缺陷,将采用低通滤波方法进行工频干扰的滤除,利用独立成分分析(ICA)实现脑电信号中的眼电伪迹分离,并在此基础上通过设置水平眼电和垂直眼电阈值以及各个独立成分在脑部位置的空间分布特性实现眼电伪迹的识别。最后,分别利用β波能量以及样本熵来衡量人脑专注度的高低,仿真结果表明两者均与专注度成正相关,实验以Neuro Sky专注度为基准,将两种算法分别与其进行对照。此外,样本熵与Neuro Sky算法的相关度比β波能量法提高了26%,说明样本熵专注度提取算法更能精确跟踪人脑注意力的变化,对脑电信号专注度的衡量与实际更加吻合。     

基于脑电信号的驾驶疲劳检测综述

围绕基于脑电信号的驾驶疲劳检测,通过大量文献检索,总结了脑电信号采集设备、脑电信号特征提取方法和脑电信号分类方法三个方面现状．分析了采集设备的便携性与舒适度问题、与疲劳相关特征的稳定性问题及疲劳检测模型的鲁棒性问题,进而梳理并总结出基于脑电信号驾驶疲劳检测的三个发展趋势：从湿式电极到干式电极;从通道内特征到通道间特征;从浅层机器学习到深度学习．     

基于随机共振的微弱多频信号检测方法

根据非线性双稳系统在噪声和弱周期信号作用下对低频成分的敏感性,提出了基于随机共振的微弱多频信号检测方法.将待检测的未知频率信号与巳知频率的载波信号在混频器经外差法作用后产生差频与和频两种频率成分,通过调节载波频率可使差频在零频率点附近变动,从而使得双稳系统的输出发生特征极为明显的变化,为频率检测提供可靠的检测依据.理论分析和数值仿宾结果表明该方法是有效、可行的,具有良好的应用前景.     

基于混沌振子的微弱信号检测

分析Duffing振子的混沌特性及其检测原理,阐述基于相平面变化进行微弱信号的检测原理。利用MATLAB仿真的结果表明,Duffing振子对与周期策动力频率差较小的周期信号敏感,对纯噪声和频率较大的周期干扰信号具有免疫力。该振子应用于对已知频率的微弱信号的检测是可行的,并且有效、简单、便于应用。     

基于小波变换的弱信号检测方法研究

介绍了小波变换原理,对利用小波变换实现弱信号检测的性能进行了分析,并利用仿真结果说明小波变换能提高信噪比。     

基于独立分量分析的非均匀采样弱信号频域检测

非均匀采样可以在对模数转化器件的采样频率要求较低的情况下,提取超出Nyquist采样定理限制的频率.当包含两个幅值相差大于10%信号的混合信号经过非均匀采样后,由于采样的伪随机性会产生频谱噪声,因此从幅值谱中辨别不出幅值很小的弱信号.根据非均匀采样的幅值谱识别出大信号频率,构造模拟源信号,以混合信号作为另一个源信号,根据独立分量分析(ICA)对幅值不敏感的特点,使用FastICA算法从混合信号的频谱中成功分离出幅值为强信号幅值五百万分之一的弱信号.在弱信号检测过程中,提出利用互相关系数进行"扫相"处理,以解决大信号相位匹配的问题.在相位匹配存在0.70%误差的情况下,成功分离出幅值为强信号幅值0.06%的弱信号.     

基于CNN-BiLSTM的脑电情绪分类模型及验证

情绪在人们的思考、行为和交流方式中起着重要作用。为提高脑电信号的情绪识别准确率,充分利用脑电信号的频率、空间和时间维度上的信息,提出一种基于CNN-BiLSTM(convolutional neural networks-bidrectional long short term memory)的脑电情绪分类神经网络模型。该模型由卷积神经网络和多层特征融合的双向长短时神经网络构成,卷积神经网络用于学习脑电信号的频率和空间特征,双向长短时神经网络则从卷积神经网络的输出中挖掘脑电切片之间的时序信息。借助离散情绪模型的SEED(sjtu emotion eeg dataset)数据集和连续情绪模型的DEAP(database for emotion analysis using physiological signals)数据集来进行情绪分类实验。实验结果表明,在SEED和DEAP两个数据集上,CNN-BiLSTM模型均取得了目前最好的情绪分类性能。此外,该模型的时序信息挖掘模块性能优于单层长短时神经网络,能够学习更多的时序信息。     

基于非线性系统随机共振的多频弱信号检测

针对实际探测的弱信号常常是多个频率弱信号共存的的情形,进行了利用随机共振检测多频周期性弱信号的研究,以便把利用随机共振的弱信号检测应用于信息处理中微弱信息识别与提取。数值计算结果表明,在适当调节系统参数的情况下,强同频噪声下的多频周期性弱信号经过非线性双稳态系统后,相差不超过一个数量级的几个低于0.5Hz的不同频率的弱信号都可以同时发生随机共振而被检测出来,其信噪比改善十分明显,可以提高30dB以上。该方法在信息识别与信息处理方面具有潜在的应用价值。     

基于变步长随机共振的弱信号检测技术

针对绝热近似小参数随机共振难以满足工程实践中大参数下的弱信号检测，以及单一频率的共振分析在实际应用中的局限性问题，提出了一种变步长随机共振数值算法．该方法通过调整计算步长，使随机共振理论同时适用于犬、小参数条件下的弱信号特征提取．计算机仿真结果表明，对变步长随机共振后的信号作幅值谱和小波分析，均能准确得到低信噪比信号中的多个有用成分，充分证明该算法在大参数条件下可对弱信号中的多个特征频率产生共振输出．同时，变步长随机共振也可以有效抑制信号小波分解中由强噪声引起的边频干扰，提高小波分析在低信噪比信号检测中的可靠性．     

基于EEG小波包子带能量比的疲劳驾驶检测方法

驾驶员在从正常驾驶状态向疲劳驾驶状态变化的过程中,其脑电信号中的慢波逐渐增加,快波逐渐减少;针对这一特点,提出了一种基于小波包子带能量比的疲劳驾驶状态检测方法.采集和分析受试者模拟驾驶过程中的脑电信号,利用小波包分解系数计算出β波与慢波的能量比,将其作为疲劳指标F值.实验结果表明,尽管不同受试者的F值存在较大差异,但是对于同一受试者而言,F值随着驾驶时间的延长和疲劳程度的增加而逐渐降低,其相对于正常驾驶状态的衰减程度能够有效反映驾驶人的疲劳程度.     

基于心理声学及支持向量机的扬声器异常音检测算法

目前扬声器异常音检测中,主要使用人工听音和工程师依据经验设置门限法,受主观因素影响大,且不能实现扬声器异常音的分类。为此,提出了一种新的扬声器质量评价方法,即基于心理声学模型和粒子群优化的支持向量机扬声器异常音检测方法。提取并标记扬声器声音响应信号,将其输入心理声学模型,得出心理声学能量均值并输入支持向量机;利用粒子群算法进行调优,最终得到具有最优参数的支持向量机。经试验验证,该模型的检测准确率达到98%。与音色特征法相比,其检测准确率得到较大的提高并实现了异常音分类。